慢性萎缩性胃炎是一种重要的胃部疾病,其发生和发展严重威胁着人类的身体健康。当人体患有此种疾病时,不仅需要长期忍受消化不良,胃酸胃胀等不适,同时也会导致经常性的出血、诱发其他胃部疾病,甚至转化成为胃癌,因此,医学上将慢性萎缩性胃炎定性为严重的癌前病变。如果可以在早期发现并确诊慢性萎缩性胃炎,就可以对患者的病情进行提前干预和治疗,从而降低病情恶化和癌化的风险。然而临床上慢性萎缩性胃炎的胃镜下表现非常复杂,其诊断效果与医生经验及医疗水平有着直接的关系,使得胃镜图像无法成为慢性萎缩性胃炎确诊的主要依据,必须联合胃黏膜活组织病理检查才能得出最终的诊断结果。人工诊断过程存在着费时、费力和主观差异性较大的缺陷。随着计算机硬件和算法的飞跃式发展,以深度学习为核心的人工智能技术在各行各业得到了广泛的应用。在医疗卫生领域,由于深度学习在图像识别等任务中的卓越表现,其作为辅助诊断手段得到了医学工作者的青睐。为实现慢性萎缩性胃炎的自动化诊断提供了一个新的研究方向。胃镜图像是慢性萎缩性胃炎诊断过程中必不可少的影像介质,可以观察到高度清晰的胃部形态和黏膜表皮特征,同时也为深度学习辅助筛查慢性萎缩性胃炎提供了丰富的数据资源。本文研究首先将胃镜图像中的胃窦胃角图像进行分类,并在分类的基础上分别对胃窦、胃角图像上的慢性萎缩性胃炎进行筛查。针对胃窦、胃角图像分类问题,本文提出了GAH-CNN深度学习模型和组合模型方法。在实验过程中,首先通过INPAINT_TELEA算法对图像进行预处理,去除图像的水印噪声;然后分别使用SIFT算法、HOG算法和LBP算法提取图像的传统特征,结合SVM(Support Vector Machine)对胃窦、胃角图像进行分类;最后,将这些模型联合起来生成组合模型以提升分类性能。并采用代价敏感的算法设计处理非平衡数据集。其中SIFT、HOG和LBP结合SVM算法的分类准确度分别为92%、93%和88%;GAH-CNN模型的准确率为95%,整体上超过了传统图像特征结合SVM的分类算法;4种模型的组合模型的分类准确率达到了99%的最佳效果。针对胃窦、胃角图像上慢性萎缩性胃炎的筛查问题,本文分别设计了SyBN-DenseNet和SyBN-ResNet模型。两种模型在慢性萎缩性胃炎的筛查中取得了良好的效果,相应的识别准确率分别为98.6%和94.3%,并通过CAM热图工具生成热力图的方式探寻模型识别病灶图像时的判别依据。同时重点探讨了不同CNN网络结构和参数对慢性萎缩性胃炎自动筛查的性能影响。实验结果表明相较于胃角部位,胃窦部位的慢性萎缩性胃炎更容易被筛查和诊断;深度学习算法对慢性萎缩性胃炎进行筛查的准确率已经达到了高年资医生人工筛查的水平。因此,本文研究的深度学习模型为慢性萎缩性胃炎的自动筛查提供了一种可行性方案。